Machine Learning: Identifikation von Prozessinstabilitäten beim Fräsen

Abstract

This work is based on the development of the Sensory Tool Holder, which was developed by the company myTool IT cooperating with the Institute of Production Engineering and Photonic Technologies. This diploma thesis should show how the measured data has to be treated to predict the stability of the milling process with the help of machine learning algorithms. \\ The main task is to demonstrate the classification of milling processes with self-made stability indicators. The first part, is a comprehensive research about the theory of stability lobe diagrams to get a much deeper insight and better understanding of milling instabilities. The next step is to carry out tests, compare them to the stability lobe diagram and adapt the diagram. The machine learning algorithms require classified training and testing data. Sound measurements and pictures of the workpiece surface are recorded, to support the classification of the data in the right way. From the acceleration signal of the sensory tool holder, stability indicators are created, which have their origin of the time domain and the frequency domain. After the creation of indicators, they get rated and the most significant get picked. With the right indicators and an adequate amount of training data, the neural network can be trained. Based on the Sensory Tool Holder signal, this artificial intelligence is able to classify the process into the classes stable or unstable. How much the spindle speed should be increased or decreased to stabilize the process will be estimated by a tap test of the machine structure. \\ This work is an important foundation for the optimization of the milling process with the Sensory Tool Holder. Subsequently, the machine learning algorithm can be improved in order to skip the manual feature extraction and feature selection to create a self-learning algorithm. The Sensory Tool Holder function as a subsystem of a cognitive system, consisting of multiple sensors, for example temperature or force sensors, to monitor and control the process in the best way.

Diese Arbeit baut auf der Entwicklung des Sensorischen Werkzeughalters auf. Dieser Werkzeughalter ist unter anderem mit einem Beschleunigungssensor ausgestattet und wurde von der Firma myTool IT und dem Institut für Fertigungstechnik und Photonische Technologien entwickelt. Nun ist es entscheidend, wie mit den gemessenen Beschleunigungsdaten verfahren wird, um Aussagen über den Fräsprozess zu treffen und diesen zu optimieren. Das Hauptaugenmerk dieser Arbeit liegt dabei auf dem Unterscheiden von stabilen und instabilen Prozessen mithilfe von selbst erstellten Stabilitätsindikatoren. Dafür wird zuerst die Theorie der Prozessstabilität beim Fräsen mit Hilfe der Stabilitätskarten erläutert, um so tiefere Einblicke in die Thematik und ein besseres Verständnis für die Stabilität des Fräsprozesses zu erlangen. In weiterer Folge werden Fräsversuche durchgeführt. Die Versuche werden mit den zuvor erstellten Stabilitätskarten verglichen und in Einklang gebracht. Bei diesen Versuchen wird auch der Luftschall gemessen, welcher es ermöglicht die Akustik des Prozesses zu späteren Zeitpunkten noch einmal wahrzunehmen. Neben den Schallmessungen wird auch mit Bildaufnahmen die Qualität der Oberfläche dokumentiert. Die Akustik und Oberflächen der Fräsversuche werden analysiert und dienen als Hilfe zur Klassifikation der Stabilität. Die einzelnen Stabilitätsklassen sind für die Trainingsdaten der Machine Learning Algorithmen entscheidend. Zum Erstellen von Stabilitätsindikatoren, welche sowohl aus dem Zeitbereich als auch dem Frequenzbereich gewonnen werden, werden die Beschleunigungsdaten herangezogen. Die ermittelten Indikatoren werden nach unterschiedlichsten Kriterien bewertet und die signifikantesten unter ihnen werden für das Machine Learning verwendet. Folgend wird ein neuronales Netz trainiert. Die damit geschaffene künstliche Intelligenz ist in der Lage anhand des Sensorsignales zu bewerten, ob der aktuell vorliegende Prozess stabil oder instabil ist. Durch einen zuvor durchgeführten Impulshammerversuch ist eine Abschätzung dahingehend möglich, wie weit die Drehzahl, bei Vorliegen eines instabilen Prozesses, erhöht beziehungsweise vermindert werden muss, damit sich der Prozess stabilisiert. \\ Diese Arbeit dient als Grundstein für weitere Überlegungen zur Prozessoptimierung mit Hilfe des Sensorischen Werkzeughalters. Dies könnte unter anderem die Implementierung eines Systems sein, welches selbst anhand von Beschleunigungsdaten eines Fräsprozesses eigenständig lernt und damit die manuelle Feature Extraction und Feature Selection obsolet wird. Der Sensorische Werkzeughalter könnte hier als Subkomponente in einem kognitiven System gesehen werden, welches aus einer Vielzahl an Sensoren besteht.